An efficient stochastic process discovery framework based on optimization

Pierre Cry

doi:10.1007/s10009-026-00850-4

An efficient stochastic process discovery framework based on optimization

2026-03-01

1

PRE

AI

DOI：10.1007/s10009-026-00850-4

原文链接

原文求助

摘要

En 中文

过程挖掘关注通过分析事件日志中收集的观察执行来推导能够再现给定组织过程行为的正式模型。事件日志的元素是有限序列（也称为迹或单词）的动作。已引入许多有效算法，这些算法生成一个控制流模型（通常为Petri网形式），旨在尽可能精确地再现所考虑的事件日志的语言。然而，由于可以观察到多次相同的执行，事件日志的迹与频率相关联，因此事件日志固有地也产生一种随机语言。因此，通过利用事件日志中包含的迹频率，随机过程挖掘的扩展在于推导能够再现观察执行可能性的随机（Petri网）模型。在本文中，我们介绍了一种新颖的随机过程挖掘方法。从通过经典挖掘算法挖掘的非随机Petri网模型出发，我们采用优化来识别挖掘网的转换的最优权重，以便挖掘网的随机解释所生成的随机语言与事件日志的随机语言非常相似。优化基于最大似然原理或地球移动距离，并且我们详细研究了这两种情况下相关目标函数的特性。结果表明，在使用最大似然方法的情况下，目标函数更适合优化。对一些流行的真实系统日志的实验显示，与替代方法相比，其准确性有所提高。

Keyword:

Stochastic process mining

Stochastic Petri nets

Maximum-likelihood

Earth mover's distance

Weights estimation

An efficient stochastic process discovery framework based on optimization

摘要

期刊

机构

引用论文